Tutorial de Numpy

Cópias e Visualizações do Array do NumPy Índice do Array do NumPy

Fatias do Array do NumPy

Fatias de array

O cortar em Python significa levar elementos de um índice给定 para outro índice给定.
Nós passamos fatias assim em vez de índices:[start:end].
Também podemos definir o passo, conforme mostrado a seguir:[start:end:step].
Se não passarmos start, é considerado 0.
Se não passarmos end, é considerado o comprimento do array dentro da dimensão.
Se não passarmos step, é considerado 1.

Vamos olhar para um exemplo específico

Exemplo

>>> import numpy as np
>>> arr = np.array([1,　2,　3,　4,　5,　6,　7,np.nan,
>>> print(arr[1:5)]　# Cortar o índice　1　到索引　5　])　#　Agora, vamos imprimir os valores maiores
[2　3　4　5]
>>> print(arr[4]:)　# Cortar o array de índices　4　até o final dos elementos
[5　6　7]
>>> print(arr[:4)]　# Cortar do início até o índice　4(não incluído) elementos
[1　2　3　4]

负裁切

使用减号运算符从末尾开始引用索引：

从末尾开始的索引 3 到末尾开始的索引 1，对数组进行裁切：

Exemplo

>>> import numpy as np
>>> arr = np.array([1,　2,　3,　4,　5,　6,　7,np.nan,
>>> print(arr[-3:-1,np.nan,
[5　6]

STEP步长

使用 step 值确定裁切的步长

Exemplo

>>> import numpy as np
>>> arr = np.array([1,　2,　3,　4,　5,　6,　7,np.nan,
>>> print(arr[1:5:2]) # 从索引　1　到索引　5，返回相隔的元素
[2　4]
>>> print(arr[::2])# 返回数组中相隔的元素
[1　3　5　7]

裁切 2-D 数组

从第二个元素开始，对从索引 1 到索引 4（不包括）的元素进行切片：

Exemplo

>>> import numpy as np
>>> arr = np.array([1,　2,　3,　4,　5],6,　7,　8,　9,　10]]
>>> print(arr[1,　1:4]) # 从第二个元素开始，对从索引　1　到索引　4（不包括）的元素进行切片
[7　8　9]
>>> print(arr[2,　2]) # 从两个元素中返回索引　2
[3　8]
>>> print(arr[2,　1:4]) # 从两个元素裁切索引　1　到索引　4（不包括），这将返回一个　2-D 数组
[[2　3　4]
　[7　8　9]]

NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整数和切片的索引外，数组可以由整数数组索引、布尔索引及花式索引。

整数数组索引

以下实例获取数组中(0,0)，(1,1)和(2,0)位置处的元素。

Exemplo

>>> import numpy as np
>>> x = np.array([1,　2],3,　4],5,　6]]　
>>> y = x[[1,2],1,0]]　
>>> print(y)
[1　4　5]

以下实例获取了 4X3 数组中的四个角的元素。行索引是 [3,3]]，而列索引是 [2]]，而列索引是 [2]]。

Exemplo

>>> import numpy as np
>>> x = np.array([　1,　2],　3,　4,　5],　6,　7,　8],　9,　10,　11]]
>>> print(x)
[[ 0　1　2]
　[　3　4　5]
　[　6　7　8]
　[　9　10　11]]
>>> rows = np.array([3,3]]
>>> cols = np.array([2],[0,2]]
>>> y = x[rows,cols]
>>> print(y)
[[ 0　2]
　[　9　11]]

返回的结果是包含每个角元素的 ndarray 对象。
可以借助切片 : 或 … 与索引数组组合。如下面实例：

Exemplo

>>> import numpy as np
>>> a = np.array([1,2,3],4,5,6],7,8,9]]
>>> b = a[1:3,　1:3]
>>> c = a[1:3,1,2]]
>>> d = a[...1:]
>>> print(b)
[[5　6]
　[8　9]]
>>> print(c)
[[5　6]
　[8　9]]
>>> print(d)
[[2　3]
　[5　6]
　[8　9]]

布尔索引

我们可以通过一个布尔数组来索引目标数组。
布尔索引通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。
以下实例获取大于 5 的元素：

Exemplo

>>> import numpy as np
>>> x = np.array([　1,　2],　3,　4,　5],　6,　7,　8],　9,　10,　11]]
>>> print(x)
[[ 0　1　2]
　[　3　4　5]
　[　6　7　8]
　[　9　10　11]]
>>> print(x[x >　5])　#　现在我们会打印出大于　5　])　#　Agora, vamos imprimir os valores maiores
[　6　7　8　9　10　11]

elementos

Exemplo

>>> import numpy as np
A seguir, mostramos um exemplo que usa ~ (operador de complemento) para filtrar NaN.　1,2>>> a = np.array([np.nan,3,4,5,np.nan,　
])
[　1.j　2.j　3.j　4.j　5>>> print(a[~np.isnan(a)])

j])

Exemplo

>>> import numpy as np
A seguir, mostramos como filtrar elementos não complexos de um array.1,　2+6>>> a = np.array([　5,　3.j5+5j,　
j])
[2>>> print(a[np.iscomplex(a)])+6.0　3.j5+5.

.j]

Indexação Estilosa
A indexação estilosa usa arrays de inteiros para indexar. A indexação estilosa usa arrays de inteiros para indexar.
A indexação estilosa é diferente da fatia, pois sempre copia os dados para um novo array.

Exemplo

>>> import numpy as np
>>> x=np.arange(32).reshape((8,4])
>>> print(x[[4,2,1,7])　#　Passar arrays de índices em ordem
[[16　17　18　19]
　[　8　9　10　11]
　[　4　5　6　7]
　[28　29　30　31]]
>>> print(x[[-4,-2,-1,-7])　#　Passar arrays de índices invertidos
[[16　17　18　19]
　[24　25　26　27]
　[28　29　30　31]
　[　4　5　6　7]]
>>> print(x[np.ix_([1,5,7,2],[0,3,1,2])　#　Passar múltiplos arrays de índices (usar np.ix_)
[[　4　7　5　6]
　[20　23　21　22]
　[28　31　29　30]
　[　8　11　9　10]]

Cópias e Visualizações do Array do NumPy Índice do Array do NumPy